Zastosowanie sieci neuronowej do optymalizacji czasu analizy obrazów MR na podstawie krzywych czasów relaksacji T1 i T2 wycinka guza prostaty

• Autorzy: Aebisher David , Truszkiewicz Adrian , Osuchowski Michał , Wojtas Łukasz , Dynarowicz Klaudia , Bartusik-Aebisher Dorota

Warianty tytułu

EN

The use of a neural network to optimize the time of MR image analysis based on the T1 and T2 relaxation time curves of prostate tumor section

• Języki publikacji: PL

Abstrakty

PL

Sztuczne sieci neuronowe stanowią jedną z najszybciej rozwijających się metod przetwarzania danych. W diagnostyce obrazowej znajdują one zastosowania do analiz obrazów uzyskiwanych w różnych systemach diagnostycznych. Rezonans magnetyczny wydaje się być najbardziej obiecującym źródłem danych ze względu na różnorodność uzyskiwanych obrazów. W niniejszej pracy została zaprezentowania metoda analizy i segmentacji obrazu na podstawie kształtu funkcji opisującej zależności intensywności sygnału od czasów repetycji (TR) oraz czasu echa (TE). W pierwszym przypadku krzywa opisywała zmienność sygnału dla określania czasu relaksacji podłużnej (T1), natomiast w drugim krzywa odpowiadała relaksacji poprzecznej (T2). W pierwszej części pracy zaprezentowano wyniki analizy obrazu fantomu składającego się z trzech probówek zawierających różne wodne roztwory CuSO4. Druga część to próba zastosowania metody do badania wycinków tkanek nowotworowych prostaty. Do analiz wykorzystano pakiet programowy MATLAB (prod. The MathWorks). Zaimplementowano w nim zarówno odczyt danych bezpośrednio z plików DICOM, jak również zaproponowaną sieć neuronową. Za wykorzystaniem tegoż oprogramowania przemawiały ogromne możliwości pakietu, jak również względna łatwość implementacji kodu. We wnioskach zapisano, iż zaproponowana sieć neuronowa w sposób zadowalający dokonała segmentacji obrazu. Zastosowanie sieci neuronowej wydatnie skróciło obliczenia z uwagi na pominięcie pikseli obrazujących przestrzenie upowietrznione. Ograniczeniu uległy również elementy obrazu prezentujące całkowicie zafałszowane wartości czasów relaksacji, a więc artefakty.

EN

Artificial neural networks are one of the fastest growing image processing methods. In diagnostic imaging, they are finding applications for analyzing images obtained by various diagnostic systems. Magnetic resonance imaging (MRI) seems to be the most promising source of data - images due to the variety of images obtained. This paper presents a method of image analysis and segmentation based on the shape of a function describing the dependence of signal intensity on repetition times (TR) and echo times (TE). In the first case, the curve described the signal variation for determining the longitudinal relaxation time (T1), while in the second case the curve corresponded to transverse relaxation (T2). The first part of the paper presents the results of image analysis of a phantom consisting of three test tubes containing different aqueous CuSO4 solutions. The second part is an attempt to apply the method to the examination of prostate cancer tissue ex vivo. The MATLAB software package by The MathWorks was used for the analyses. It implemented both the reading of data directly from DICOM files and the proposed neural network. The huge capabilities of the package as well as the relative ease of code implementation were in favor of using the software. In conclusion, it should be said that the proposed neural network satisfactorily performed image segmentation. The use of the neural network significantly shortened the calculations due to the omission of pixels depicting aerated spaces. Also reduced were the image elements presenting completely falsified values of relaxation times and thus artifacts.

Słowa kluczowe

PL

MATLAB; T1; T2; czas relaksacji; MR

EN

MATLAB; T1; T2; relaxation times; MR

• Wydawca: Indygo Zahir Media
• Czasopismo: Inżynier i Fizyk Medyczny
• Rocznik: 2023
• Tom: Vol. 12, nr 3
• Strony: 241--246
• Opis fizyczny: Bibliogr. 21 poz., rys., tab., wykr.

Twórcy

autor

Aebisher David

• Zakład Fotomedycyny i Chemii Fizycznej, Kolegium Nauk Medycznych, Uniwersytet Rzeszowski, Al. mjr. W. Kopisto 2a, 35-959 Rzeszów

autor

Truszkiewicz Adrian

• Zakład Fotomedycyny i Chemii Fizycznej, Kolegium Nauk Medycznych, Uniwersytet Rzeszowski, Al. mjr. W. Kopisto 2a, 35-959 Rzeszów

autor

Osuchowski Michał

• Uniwersytecki Szpital Kliniczny im. Fryderyka Chopina w Rzeszowie, ul. Fryderyka Szopena 2, 35-055 Rzeszów

autor

Wojtas Łukasz

• Kliniczny Szpital Wojewódzki nr 2 im. św. Jadwigi Królowej w Rzeszowie, ul. Lwowska 60, 35-301 Rzeszów

autor

Dynarowicz Klaudia

• Przyrodniczo-Medyczne Centrum Badań Innowacyjnych, Kolegium Nauk Medycznych, Uniwersytet Rzeszowski, ul. Warzywna 1A, 35-310 Rzeszów

autor

Bartusik-Aebisher Dorota

• Zakład Biochemii i Chemii Ogólnej, Instytut Nauk Medycznych, Kolegium Nauk Medycznych, Uniwersytet Rzeszowski, ul. Warzywna 1A, 35-310 Rzeszów

Bibliografia

• 1. M. Biswas, V. Kuppili, D.R. Edla, H.S. Suri, L. Saba, R.T. Marinhoe, J.M. Sanches, J.S. Suri. Symtosis: A liver ultrasound tissue characterization and risk stratification in optimized deep learning paradigm, Comput Methods Programs Biomed., 155, 2018, 165–177.
• 2. M. Byra, G. Styczynski, C. Szmigielski, P. Kalinowski, Ł. Michałowski, R. Paluszkiewicz, B. Ziarkiewicz-Wróblewska, K. Zieniewicz, P. Sobieraj, A. Nowicki: Transfer learning with deep convolutional neural network for liver steatosis assessment in ultrasound images. Int J Comput Assist Radiol Surg., 13(12), 2018, 1895–1903.
• 3. T.M. Hassan, M. Elmogy, E.S. Sallam: Diagnosis of Focal Liver Diseases Based on Deep Learning Technique for Ultrasound Images, Arab J Sci Eng., 42, 2017, 3127–3140.
• 4. L.H. Guo, D. Wang, Y.Y. Qian, X. Zheng, C.K. Zhao, X.L. Li, X.W. Bo, W.W. Yue, Q. Zhang, J. Shi, H.X. Xu: A two-stage multi-view learning framework based computer-aided diagnosis of liver tumors with contrast enhanced ultrasound images, Clin Hemorheol Microcirc., 69, 2018, 343–354.
• 5. B. Ibragimov, D. Toesca, D. Chang, Y. Yuan, A. Koong, L. Xing: Development of deep neural network for individualized hepatobiliary toxicity prediction after liver SBRT, Med Phys., 45, 2018, 4763–4774.
• 6. H. Winther, C. Hundt, K.I. Ringe, F.K. Wacker, B. Schmidt, J. Jürgens, M. Haimerl, L.P. Beyer, C. Stroszczynski, P. Wiggermann, N. Verloh: A 3D Deep Neural Network for Liver Volumetry in 3T Contrast-Enhanced MRI, Rofo, 193(3), 2021, 305–314.
• 7. H.P. Do, Y. Guo, A.J. Yoon, K.S. Nayak: Accuracy, uncertainty, and adaptability of automatic myocardial ASL segmentation using deep CNN, Magn Reson Med., 83(5), 2020, 1863–1874, doi: 10.1002/mrm.28043. Epub 2019 Nov 14.
• 8. J. Sander, B.D. de Vos, I. Išgum: Automatic segmentation with detection of local segmentation failures in cardiac MRI, Sci Rep., 10(1), 2020, 21769.
• 9. T. Leiner, D. Rueckert, A. Suinesiaputra, B. Baeßler, R. Nezafat, I. Išgum, A.A. Young: Machine learning in cardiovascular magnetic resonance: basic concepts and applications, J Cardiovasc Magn Reson., 21(1), 2019, 61.
• 10. A. Bratt, J. Kim, M. Pollie, A.N. Beecy, N.H. Tehrani, N. Codella, R. Perez-Johnston, M.C. Palumbo, J. Alakbarli, W. Colizza, I.R. Drexler, C.F. Azevedo, R.J. Kim, R.B. Devereux, J.W. Weinsaft: Machine learning derived segmentation of phase velocity encoded cardiovascular magnetic resonance for fully automated aortic flow quantification, J Cardiovasc Magn Reson., 21(1), 2019, 1.
• 11. A.A.Mohamed, W.A. Berg, H. Peng, Y. Luo, R.C. Jankowitz, S. Wu: A deep learning method for classifying mammographic breast density categories, Med Phys., 45(1), 2018, 314–321.
• 12. S. Boumaraf, X. Liu, C. Ferkous, X. Ma: A New Computer-Aided Diagnosis System with Modified Genetic Feature Selection for BI--RADS Classification of Breast Masses in Mammograms, Biomed Res Int., 2020, 7695207.
• 13. H. Liu, Y. Chen, Y. Zhang, L. Wang, R. Luo, H. Wu, C. Wu, H. Zhang, W. Tan, H. Yin, D. Wang: A deep learning model integrating mammography and clinical factors facilitates the malignancy prediction of BI-RADS 4 microcalcifications in breast cancer screening, Eur Radiol., 31(8), 2021, 5902–5912.
• 14. D. Abdelhafiz, C. Yang, R. Ammar, S. Nabavi: Deep convolutional neural networks for mammography: advances, challenges and applications, BMC Bioinformatics, 20(11), 2019, 281.
• 15. L. Zou, S. Yu, T. Meng, Z. Zhang, X. Liang, Y. Xie.: A Technical Review of Convolutional Neural Network-Based Mammographic Breast Cancer Diagnosis, Comput Math Methods Med., 2019, 6509357.
• 16. B. Alsaaidah, M.R. Al-Hadidi, H. Al-Nsour, R. Masadeh, N. AlZubi: Comprehensive Survey of Machine Learning Systems for COVID- 19 Detection, J Imaging, 8(10), 2022, 267.
• 17. A. Truszkiewicz, D. Bartusik-Aebisher, Ł. Wojtas, G. Cieślar, A. Kawczyk-Krupka, D. Aebisher: Neural Network in the Analysis of the MR Signal as an Image Segmentation Tool for the Determination of T1 and T2 Relaxation Times with Application to Cancer Cell Culture, International Journal of Molecular Sciences, 2023, 24.
• 18. Ł. Ożóg, W. Domka, A. Truszkiewicz, J. Tarbarkiewicz, D. Aebisher: Monitoring photodynamic oxygen consumption by endogenous oxygen contrast MRI, Photodiagnosis Photodyn Ther., 25, 2019, 492–498.
• 19. D. Bartusik-Aebisher, Ł. Ożóg, D. Aebisher, Alternative methods of photodynamic therapy and oxygen consumption measurements- -A review, Biomed Pharmacother, 134, 2021, 111095.
• 20. D. Bartusik-Aebisher, Ł. Ożóg, W. Domka, D. Aebisher: Rose Bengal and Future Directions in Larynx Tumor Photodynamic Therapy, Photochem Photobiol., 97(6), 2021, 1445–1452.
• 21. A. Truszkiewicz, D. Aebisher, D. Bartusik-Aebisher: Assessment of spin-lattice T1 and spin-spin T2 relaxation time measurements in breast cell cultures at 1.5 Tesla as a potential diagnostic tool in vitro, Medical Research Journal, 5, 2020, 1–11.